全称（K-Nearest Neighbors），通过寻找k个距离最近的数据，来确定当前数据值的大小或类别，是机器学习中最为简单和经典的一个算法。

解决回归问题的决策树模型你就是回归树回归树是一种基于决策树的监督学习算法，用于解决回归问题。通过递归地将特征空间划分为多个子区域，并在每个子区域内拟合一个简单的预测值（如均值），实现对连续目标变量的预测。

正向概率：假设袋子里有10个白球，90个黑球，然后从袋子里面拿出1个球，拿出的球是白球的概率是多少？显然，白球的概率是1/10逆向概率：如果我们事先并不知道袋子里白球、黑球的比例，然后通过多次试验，根据拿出来的球的颜色推测袋子里白球、黑球的比例贝叶斯分类器的代码使用：朴素贝叶斯算法，中文处理classalpha=1.0参数：1.多项式分布的朴素贝叶斯。2.控制模型拟合时的平滑度定义：alpha是一

classSVCC=1.0degree=3coef0=0.0tol=0.001[source]1.C惩罚因子【浮点数，默认为1.】【软间隔】(1)C越大，对误分类的惩罚增大，希望松弛变量接近0，趋向于对训练集全分对的情况，这样对训练集测试时准确率很高，但泛化能力弱；(2)C值小，对误分类的惩罚减小，允许容错，将他们当成噪声点，泛化能力较强。->>建议通过交叉验证来选择2.kernel核函数【默认r

K-means是一种基于距离的划分聚类方法，通过迭代将数据划分为K个簇。核心思想是使簇内样本的平方误差最小化。算法流程包括初始化聚类中心、分配样本到最近中心、重新计算中心位置，直到收敛。

神经网络：每个节点代表一种特定的是由大量的节点（或称“神经元”）和之间相互的联接构成。输出函数：称为激励函数、激活函数（activation function）。每两个节点间的联接都代表一个对于通过该连接信号的加权值，称之为权重，这相当于人工神经网络的记忆。

常用的有：Caffe，TensorFlow，Keras，PyTorcCaffe：优点：只需要配置文件即可搭建深度神经网络模型缺点：安装麻烦，缺失很多新网络模型，近几年几乎不更新TensorFlow：由Google公司开发：1.x版本：缺点：代码比较冗余，上手有难度2.x版本：收购了keras，代码不兼容1.x版本Keras：基于 TensorFlow 封装优点：简化代码难度。PyTorch：Fac

K-means算法的优点：简单，快速，适合常规的数据集缺点：k值难以确定，很难发现任意形状的簇针对K-means算法的缺点，我们来介绍新的DBSCAN算法。

（1）语料库中存放的是在语言的实际使用中真实出现过的语言材料；（2）语料库是以电子计算机为载体承载语言知识的基础资源；（3）真实语料需要经过加工（分析和处理），才能成为有用的资源。

continue。